基于MGP-GAN的27.5kV电缆故障诊断方法.pdf

88Electrical AutomationMeasurement&DetectingTechnology测量与检测技术电气自动化2 0 2 3年第45卷第4期基于MGP-GAN的2 7.5kV电缆故障诊断方法孙宁，陈争，侯小强，王升晖，王东阳（1.中车青岛四方机车车辆股份有限公司，山东青岛266000;2.西南交通大学，四川成都611756)摘要：2 7.5kV电缆多用于动车组车载运行，故障检测数据难以汇集，极大地影响了故障诊断的准确率。为此，提出了一种基于多模块梯度惩罚（multimodulesgradientpenalized，MG P）的改进生成对抗网络（generativeadversarial networks，G A N）架构，实现了小样本数据的高准确率识别，并在同样数据集下对比了经典分类器的小样本识别结果，论证了所提方法的有效性和优越性。基于MCP-GAN的故障诊断方法解决了2 7.5kV电缆数据难以汇集及故障诊断效果差的问题，为保障动车组的可靠运行提供了新的方法。关键词：电缆；故障；诊断；小样本；生成对抗网络D0I:10.3969/j.issn.1000-3886.2023.04.028中图分类号 TM247文献标志码A文章编号10 0 0-38 8 6(2 0 2 3)0 4-0 0 8 8-0 3Fault Diagnosis Method of 27.5 kV Cable Based on MGP-GANSun Ning,Chen Zheng,Hou Xiaoqiang,Wang Shenghui,Wang Dongyang(1.CRRC Qingdao SIFANG Co.,Ltd.,266000,Qingdao Shandong 266000,China;2.Southwest Jiaotong University,Chengdu Sichuan 611756,China)Abstract:27.5 kV cables are mostly used for on-board operation of electrical multiple units(EMU),and it is difficult to collect fault detectiondata,which greatly affects the accuracy of fault diagnosis.To this end,an improved generative adversarial networks(GAN)architecture based on multimoclules gradient penalized(MGP)was proposed,which realized high-accuracy recognition of smallsample data,and compared the small sample recognition results of classical classifiers under the same data set,demonstrating theeffectiveness and superiority of the proposed method.The fault diagnosis method based on MCP-GAN solves the problems that the27.5 kV cable data is difficult to collect and the fault diagnosis effect is poor,and provides a new method for ensuring the reliableoperation of EMU.Keywords:cable;fault;diagnosis;small samples;generative adversarial networks(GAN)00引言随着电气化铁路的建设及发展，2 7.5kV机车车辆电缆的应用量越来越大。基于热缩式手工制作的机车车辆电缆终端在制作过程中不可避免地产生瑕疵与缺陷，在随车运行的过程中，不同类型的缺陷往往会引发不同状况的电缆终端故障，严重的将产生电缆绝缘击穿并导致列车停运，极大影响了铁路运输的安全性与可靠性。因此，研究车载电缆故障诊断方法对铁路机车的安全稳定运行有重要意义国内外学者基于电缆的局部放电数据对电缆终端的故障类型开展了多种诊断方法的研究。文献2 通过小波变换对局部放电测试得到的脉冲时域波形进行重构，基于BP(（b a c k p r o p a g a-tion）神经网络进行了局部放电类型的模式识别研究。文献3利用分形理论提取放电特征，构造多个支持向量机模型并基于投票法对典型故障进行识别。文献【4 研究了基于统计分形参数和神经网络的电缆局部放电识别方法。文献5 提出了一种基于高抗噪主成分分析的特征提取方法，并对比了人工神经网络和支持向量机的分类效果。然而，动车组车载电缆是随动车运行而工作的设备，其转运范围大，测试数据难以汇总，导致故障数据样本较少，且不同类型故障的数据样本量严重失衡，极大地影响了定稿日期：2 0 2 2-0 4-0 8基金项目：中央高校基本科研业务费专项资金资助（2 6 8 2 0 2 2 CX015）车载电缆故障诊断的准确率6 针对上述问题，本文提出了一种适用于小样本情况的智能故障诊断方法，通过多模块梯度惩罚（multimodulesgradientpenal-ized，MG P）改进生成对抗网络（generative adversarialnetworks，GAN)解决车载电缆故障数据样本不足的问题并实现不同类型缺陷的识别。1试验设计1.1含缺陷终端样品制备基于退运的故障电缆解剖结果，本文设计四种典型的机车车辆电缆终端缺陷类型，分别为：外半导电层截断残留尖刺；金属碎屑残留在主绝缘表面；主绝缘周向环形划伤主绝缘径向纵切划伤。1.2测试设备及接线根据标准GB/T735420037和TB/T1484.120178中的局部放电测试要求，采用调压器、电容C、电容C2、试验变压器、高压电阻、电流互感线圈、示波器及上位机搭建局部放电检测平台，如图1所示，并进行局部放电测试，每类故障缺陷采集局放数据10 min。2诊断方法2.1生成对抗网络GAN是一种以对抗方式生成数据的模型。如图2 所示，典型ElectricalAutomation89Measurement&DetectingTechnology测量与检测技术电气自动化2 0 2 3年第45卷第4期高压电阻上位机调压器试验变压器试验样品ACm示波器电流互感线圈图1局放测试接线图L(ge)真实数据鉴别器D真/假噪声2生成器G生成输出G(2)L(d)图2GAN架构的GAN包含两个神经网络：生成器G和鉴别器D。G A N的损失函数定义如式（1）所示minmax(G,D)=ExP,log D(x)+GD(1)EP,/log/1-DG(z)/)式中：E为对应随机变量的期望值;P,为真实样本x的概率分布；P，为噪声样本z的概率分布;D（）为鉴别器D的输出；G(）为生成器G的输出简单来说，在训练过程中，C学习真实数据的分布，最小化真实数据和生成数据的差异，而D用最大化真实数据和生成数据的差异来区分它们。训练完成后，G可以生成分布与真实数据相似的数据。然而,由于损失函数的设计不完善,GAN存在训练不稳定和数据生成差等问题。具体来说，对于一个输人样本x，鉴别器D的损失函数L(d)和生成器G的损失函数L(g。)可以表示为：L(d,)=-P,(x)logD(x)-P,(x)log1-D(x)J(2)P,(x)L(g.)=Exp,log+P,(x)1og210g2(3)EPP,(x)+P,(x)式中：P。为所生成数据的概率分布。Wasserstein距离（wasserstein distance，WD）9 是一种测量两个分布之间距离的方法。无论两个分布是否重叠，WD都可以产生平滑的变化，使用WD来定义损失函数可以稳定训练过程，提高生成数据的质量。WD的计算公式为：1WD(Psup(ExP,f(x)-ExP,f(x)1(4)式中：f(）为一个可拟合的连续函数;K为f(x）的Lipschitz常数。梯度惩罚10)通过在鉴别器上增加一个额外的损失项L(g,），将鉴别器的梯度限制在不超过K的范围内：L(g,)=I/VD(x。)/-K 2(5)式中：x。为由随机插值抽样得到的样本。利用WD来定义损失函数，改进后的鉴别器D的损失函数L(d)和生成器G的损失函数L(g）为：L(d)=-ExP,D(x)+ExP,D(x)+pEx-P,/VD(x)l/-1?(6)L(g)=-ExP,D(x)(7)式中：p为一个小于1的正数。原始GAN架构调参困难且不易收敛，难以直接应用于27.5kV电缆的小样本故障识别，需对其进行改进。2.2MGP 改进 GANMCP改进的GAN架构如图3所示，由三个网络模块组成：生成器G、鉴别器D和分类器C。-L(a.).i(d)WDAC生成器GX鉴别器DS分类器标签噪声2L（C图3MGP-GAN架构在MGP-GAN架构中,G的输人不仅有噪声z,同时有带标签的真实数据c，这使得G能够生成与真实数据具有相同类的数据。D的输人仍然是真实数据和生成数据，但输出包含两部分：一个是P,和P.的WD;另一个是经由辅助分类器AC通过softmax回归生成并重构的带标签数据c。通过优化交叉损失L（。），降低c与c之间的误差，使G生成的数据越来越接近于真实数据。L(a.)=-ExP,P(c=c)(8)与经典GAN相比,MGP-GAN中的D和G负责生成数据，而新增的分类器C专用于对数据进行分类，其损失函数L(C)如下：L(C)=-ExPr.P,P(y=c|x)(9)式中：y为C输出的数据标签。C的输人不仅包括生成数据，还包括真实数据，使用真实数据对提高分类准确率具有重要意义。因此，C的设计使得MGP-GAN具备了数据分类的功能，更适应于小样本及数据不均衡的情况。3识别结果与对比分析3.1训练与识别结果从每类典型缺陷的局放测试数据中选取50 0 组局放信号作为样本集合，随机从每类样本中分别选取10、2 0、40、8 0 组作为训练样本，其余作为测试样本，训练2 0 0 0 轮，结果如图4所示。由图4可得，本文所提出的方法在仅有10 组样本时也能达到8 0%的准确率，8 0 组样本数据的情况下准确率高达98%，充分证明了MGP-GAN对小样本局放数据分类和缺陷类型识别的有90ElectricalAutomationMeasurement&Detecting Technology测量与检测技术电气自动化2 0 2 3年第45卷第4期效性。训练集准确率测试集准确率10080（%）/率邦604020010204080训练样本数量/组图4MGP-GAN训练结果3.2对比验证为了对比证明本文方法的优越性，对比经典的SVM分类器和CNN分类器，在10、8 0 组样本的训练条件下识别精度如表1所示。表1变尺寸的CNN训练参数表方法训练样本数/组测试样本数/组准确率/(%）SVM1049048.2CNN1049064.5MGP-GAN1049080.2SVM8042065.5CNN8042073.3MGP-GAN8042098.1由表1可得：在等量小样本情况下，本文方法的准确率更高；随着样本量的增加，本文方法的准确率提升也更大，充分论证了本文方法的优越性和有效性。4结束语本文提出了基于MGP改进GAN的2 7.5kV动车组电缆故（上接第8 7 页）由上可知，当信噪比为8 0 dB时，噪声对故障测距的影响较小；当噪声强度在2 0 dB,40dB,60dB时，可以发生的误差有了一定程度的扩大。由此可以推出噪声强度的增大在一定程度上影响测距的精度。但同时这三种情况下测距绝对误差在1km以下，相对于整条线路误差在0.5%以下，仍具有较高的测距精度。4约结束语本文针对基于行波理论的输电线路故障测距易受外部复杂条件影响，提出一种基于AKF的线路故障测距方法。在不同故障距离与强度噪声情况下故障测距的精确度都保持在较高的水平，同时测距误差范围在实际工程允许的范围内。由此可以看出，该方法在行波测距中具有良好的应用前景。参考文献：【1满九方，谢小荣，唐健，等适用于柔直系统高频谐振分析的输电障诊断方法，主要结论如下。（1）本文方法训练成本低，样本需求少，并对比了二种经典分类器，同等条件下识别准确率高，论证了所提方法的优越性和有效性。（2）本文方法从原理上解决了小样本下2 7.5kV电缆的缺陷识别问题，适用于动车车载电缆的故障诊断，可为车载电缆的运维检修提供参考。参考文献：【1刘源高寒环境中机车电缆终端局部放电与绝缘劣化机理研究D.成都：西南交通大学，2 0 18.【2 杜伯学，魏国忠基于小波与分形理论的电力设备局部放电类型识别J.电网技术，2 0 0 6（13）：7 6-8 0.【3弓艳朋，刘有为，吴立远.采用分形和支持向量机的气体绝缘组合电器局部放电类型识别J.电网技术，2 0 11，35（3）：135-139.4 CANDELA R,MIRELLI G,SCHIFANI R.PD recognition by means ofstatistical and fractal parameters and a neural network J.IEEE Trns.Dielectr.Electr.Insul.,2000(7):87-93.5RAYMOND,WONG,JEE,et al.High noise tolerance featureextraction for partial discharge classification in XLPE cable joints J.IEEE Trns.Dielectr.Electr.Insul.,2017,24(1):66-74.【6 周利军，刘源，白龙雷，等高寒地区车载柔性电缆终端的局部放电特性与破坏机理J.高电压技术，2 0 19，45（1）：18 9195.【7 全国高电压试验技术和绝缘配合标准化技术委员会局部放电测量：GB/T7354-2003S北京：中国标准出版社，2 0 0 3.【8 国家铁路局.机车车辆电缆第1部分：动力和控制电缆：TB/T1484.1-2017S.北京：中国铁道出版社，2 0 17.9张露基于蚁群的Gromov-Wasserstein距离寻优算法D长春：吉林大学，2 0 2 0.10 PAN Z,YU W,YI X,et al.Recent progress on generative adversarialnetworks(GANs):a surveyJ.IEEE Access,2019(7):36322-36333.【作者简介】孙宁（197 5一），女，山东青岛人，硕士，教授级高工，研究方向为轨道交通电气化。线路模型J：电网技术，2 0 2 1，45（5）：17 8 2-17 8 9.2席燕辉，胡康，王康。基于自适应卡尔曼滤波残差分析的雷击故障定位J.电力系统保护与控制，2 0 2 0，48（2 3）：30-39.3李娜，孙秀娟，王鹏飞，等基于小波变换和TEO的输电线路故障测距方法J.水电能源科学，2 0 19，37（10）：142-144；149.【4付华，刘公权，邢亮基于同步挤压小波变换的故障行波测距方法J.电力系统保护与控制，2 0 2 0，48（2）：18-2 4.【5张安安，周志通，曲广龙，等.基于HHT一化迭代的输电线路故障测距研究J.电子测量与仪器学报，2 0 2 1，35（3）：16 5-17 2.【6 孙怡，何光宇，翟少鹏基于无迹卡尔曼滤波的电力系统抗差动态估计J电测与仪表，2 0 2 0，57（4）：1-6.【作者简介】胡瑾（1997 一），男，江苏苏州人，硕士研究生，主研方向：电网状态估计及其电能质量应用。吕干云（197 6 一），男，江苏南京人，硕士生导师，教授，研究方向：电能质量分析和控制，人工智能技术在电力系统中的应用。